通过提取语料库中词汇的共现模式来实现无监督学习，学习不仅代表个体单词的表示，还明确捕捉代表单词间语义关联的词向量表示，并通过联合权重和二元分类器来描述单词间的语义关系，取得了普遍类比检测三个基准数据集中的显著性优势。

May, 2015

该研究提出了一种理论方法，将词嵌入和知识图谱中的实体及其关系的几何形状联系起来，以便更好地理解它们的语义结构和性能。

Feb, 2022

研究利用词嵌入的理论，将知识图谱关系分为三种类型，并为每种类型导出其表示法的明确要求，以了解知识图谱数据的潜在结构如何被不同表达方法所捕捉。

Sep, 2019

本文提出一种新的单词表示学习方法，结合语义词典的关系约束以及语料库中两个单词的共现关系，能够显著提高单词表示学习的性能。

Nov, 2015

本文中，我们提出了一种用于编码关系性知识的词嵌入方法，其旨在为已有的标准词嵌入方法提供一种补充。通过从共现统计数据中学习出这种关系性词向量，我们发现它确实捕捉到了非常有用的补充信息。

Jun, 2019

本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

Jan, 2022

该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

May, 2023

本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

该研究提出了一种基于语义相关性子图学习的可解释性表示方法 SEEK，能够提高知识图谱关系预测的性能和解释性。研究评估了 SEEK 在复杂关系预测任务上的表现，并表明了其优于标准学习表示方法。

Jun, 2023

本文提出利用暗示的视觉引导表达学习表示，自动地从图像和文本的数据集中挖掘出的结构关系，用于多模态学习模型中的视觉语言融合任务，证明了该方法在跨模态图片检索、指代表达和组合属性对象识别中的有效性。

Oct, 2020